我们的智能体，我们自己

原文：https://every.to/context-window/our-agents-ourselves

你好，周日快乐。七月中旬，OpenAI 将 Codex 并入 ChatGPT——这一动作被称为“合并”——从此编码工具变成了通用工作空间，知识工作者过去学会的设置方式也随之改变。因此，Katie Parrott 从头重建了我们的指南：ChatGPT for Knowledge Work 是对合并后应用的完整演示——来自 Every 团队的 16 个工作流程，全部针对现在位于 Chat、Work 和 Codex 中的新功能重新设计，还包括新的目标、项目和计划任务。

而公司面临同样的问题，只是规模更大。六月初，Natalia Quintero 和 Mike Taylor 回答了 400 位高管关于部署 AI 的提问，然后整理了其中 33 个无法在现场回答的问题。今天我们首次公开分享这份问答。——Kate Lee

Was this newsletter forwarded to you? Sign up to get it in your inbox.

知识库

“我们的 ChatGPT 和 OpenClaw 指南刚刚大修”，作者 Katie Parrott/指南：我们 5 月的《Codex for Knowledge Work》指南和 3 月的《OpenClaw》指南得到了彻底重写。Codex for Knowledge Work 现在更名为 ChatGPT for Knowledge Work，已针对合并后的应用更新；OpenClaw 指南则重新思考了何时值得运行个人智能体，以及为什么共享的 Every Agent 可能是更好的选择。阅读这些内容，以更新你的 ChatGPT 和 OpenClaw 设置。

“高管们关于 AI 的 33 个问题——已回答”，作者 Natalia Quintero 和 Mike Taylor：Natalia 是 Every 的咨询主管，Mike 是我们新的评估主管，他们回答了 400 位高管关于如何采用 AI 的 33 个问题，涵盖战略、赢得怀疑者、工具选择、治理和团队重组。阅读这篇文章，查看我们给正在推广 AI 的高管的建议。

“基准测试不了解你的工作”，作者 Katie Parrott/Context Window：公司在 AI 上花费数百万，但很少测试某个模型是否能比一个更便宜的模型更好地完成他们自己的实际工作。我们的答案是 KateBench——一个基于 Kate Lee 的 30,000 次修改训练而成的校对编辑器，它展示了高接受率如何仍然隐藏了人类必须重做的编辑。本期还有：对 Andreessen Horowitz 的 Olivia Moore 的反驳观点，关于收益递减是否使更便宜的模型（如 Fable）已经足够好；Cursor 重建的 Git 托管，以及两个新的可靠性基准；一个六智能体团队，告诉 Every 设计师 Tyler Nishida 的家人何时有足够的太阳能来运行烘干机；以及值得点击的链接。

“克隆同事的案例”，作者 Laura Entis/Context Window：公司开始克隆他们的同事——将他们依赖的人的判断力捕获为可复用的 AI 技能，这是 Every 正在自己团队中运行的一个项目。本期还有：关于投资者 Stanley Druckenmiller 承认他在《华尔街日报》专栏中使用 AI 的讨论；Arielle Shipper 的自我改进 Codex 技能；一批来自前沿建设者的最新 Thesis Statements；关于开放权重模型企业机会的信号；以及团队本周日常使用的模型。另外，本周的 AI & I：Walleye Capital 的 CEO Will England 谈论为什么 AI 使用对他的 400 名员工是强制性的。🎧 🖥 在 Spotify 或 Apple Podcasts 上收听，在 X 或 YouTube 上观看，或阅读文字记录。

“我试用了那个为修复 AI 写作而构建的 AI 模型”，作者 Katie Parrott/Working Overtime：Katie 测试了 Deft，这是来自一个实验室的新模型，该实验室将 AI 散文的雷同归因于模型的训练方式，而不是它们知道什么。输出确实更难以预测，但也更密集，而且容易编造事实。阅读这篇文章，了解为什么 AI 写作听起来都一样，以及一个新模型是否能解决这个问题。

Thesis Statements

阅读来自前沿人士的七个预测，详见 Thesis Statements——一个由建设者和思想家关于 AI 时代优质人类工作未来的具体、可争论的声明集合。

要将这些想法付诸行动，请参加我们于 2026 年 11 月 5 日举行的首届 Thesis: 2027 大会。

来自 Every Studio

Monologue 在你打字的地方展示它正在倾听

Monologue——Every 的听写应用——本周发布了 Mac 版 1.5.0，带有一个新功能：the Dot，一个小指示器，位于文本光标旁边，在你说话时移动，并显示 Monologue 正在转录你的话语。如果你在录音中途切换到另一个应用，Dot 会跟随你的指针，以便你仍然可以看到它。当你回来时，它会回到你开始的位置。当你不录音时，它会自动避开。更新后，选择“Try the Dot”来开启它。你可以暂时隐藏它，在特定应用中关闭它，或回到 Classic。

该版本还修复了非 QWERTY 键盘布局用户的问题。Monologue 过去通过按 Command-V 来粘贴你的话语，但那不是那些布局上的快捷键，所以听写会输入错误或什么都不输入。Monologue 现在要求你的应用粘贴，而不是模拟按键。此外，笔记录音现在可以自己限制在 30 分钟到 3 小时之间。你可以导出语音笔记的原始音频。Home 现在改名为 Dictations。在 monologue.to 下载或更新。

对齐

证明消化不良。 陶哲轩（Terence Tao），当世最伟大的数学家之一，也是我在 Every 中写过很多次的人，得出了结论：他的领域正面临一个奇怪的新问题——数学证明太多了。

通常，这会是个激动人心的消息，让乐观主义者为丰饶而欢呼。数学界通常面临证明稀缺，依赖少数天才，通过艰苦努力或神圣灵感，弄清我们的宇宙中什么是真、什么是假。更多的证明应该意味着更多的进步。

但 AI 现在生成的表面正确的证明多到数学家无法验证，要么因为他们无法跟上，要么缺乏带宽。陶哲轩称之为“证明消化不良”——一个证明积压，其核心思想尚未被提取出来并让人类可用。如果这种情况继续下去，越来越多的数学工作将涉及在 AI 找到结果之后，向他人验证和解释证明。

最近，陶哲轩花了好几天时间“消化”一个 AI 生成的关于 Sendov 猜想的证明——这是关于多项式根的一个长期未解问题。Lech Mazur 产生了一个用 Lean（验证证明的软件）形式化的证明。这个证明通过了——全部 90,000 行——但人类几乎无法理解。陶哲轩用 AI、笔和纸把它梳理了一遍，并找到了核心思想。他的版本大约有 15,000 行，用他自己的话说，“非常初等”，因为它使用了对一个几十年来难倒专家的问题来说令人惊讶的基本工具。

为了使 AI 证明变得有用，陶哲轩必须把它变成另一个人能够理解、解释并在此基础上继续工作的东西。这展示了人与机器的分工可能发生怎样的变化，也展示了我们的工作将如何成为——把外星智能的产物翻译成我们其他人能够理解的知识。

德国数学家卡尔·弗里德里希·高斯（Carl Friedrich Gauss）称数学为“科学的皇后”，因为其他所有 STEM 领域都建立在数学语言之上。AI 可能很快就会生成在任何人理解原因之前就有效的材料和药物。我以前想知道，如果外星超级智能降临地球，把它的科学秘密交给我们，然后消失，会发生什么。我以为我们会很快赶上，而不必自己重新发现一切。证明消化不良表明情况恰恰相反。我们或许能够验证外星人的答案是正确的，甚至使用它们，但同时要花数年时间去理解它们为什么有效。——Ashwin Sharma

That’s all for this week. Follow Every on X at @every and on LinkedIn.

Everyone’s a builder now. Every All Access gets you the full membership plus the Builder Pack—$9,000+ in credits for the tools we build with.

Upgrade to paid

核心启示：本期内容围绕 AI 工具合并后的工作流更新、企业高管部署 AI 的实操问答、AI 写作雷同问题的新解决方案，以及“证明消化不良”现象——AI 生成的正确数学证明已超过人类验证和消化的能力，未来的知识工作可能将重点转向“翻译”智能体的产出，而非仅仅“发现”答案。

《Our Agents, Ourselves》的发芽报告

材料核心

这是 Every 在 2026 年 8 月末发出的一封周刊：从 ChatGPT/Codex 合并后的知识工作指南、400 位高管的 AI 采纳问答、KateBench 评测、“克隆同事”实验，到 Monologue 的更新，最后以陶哲轩的“证明消化不良”收束。它真正关心的不是 AI 能做什么，而是 AI 让我们重新发现：理解、判断和消化，正在成为最稀缺的人类能力。

发芽 01：证明消化不良，或自动化最大的反讽

种子

原材料把“证明过剩”讲成一个数学危机，但它其实是整个知识工作的预演。AI 可以生成更多可验证的结论，人却未必能消化它们。这不是技术故障，而是自动化结构的必然结果。

故事

1983 年，英国认知工程师 Lisanne Bainbridge 发表了经典论文《Ironies of Automation》。她指出一个反直觉的规律：自动化程度越高，留在人类手中的任务反而越难、越不寻常、越需要专业判断；而这些任务又不常出现，人的相关技能反而容易退化。

陶哲轩在 2026 年 8 月处理的 Sendov 猜想证明，几乎就是这句话的数学版。这个由 AI 生成、由 Lech Mazur 在 Lean 中形式化的证明有 90,000 行，验证通过了，但几乎没有人能直接读懂。陶哲轩用 AI、纸和笔花几天“消化”，把它重写成约 15,000 行，而且“惊人地初等”。他没有发现证明，他做的是把机器可验证的结论翻译成人类可理解的知识。

Every 自己做的 KateBench 也有同样的结构：高接受率下仍藏着需要人类返工的编辑。验证通过，不等于工作完成；模型懂证明，不等于人懂证明。

Aha 瞬间

证明被机器接受的那一刻，不是知识的终点，而是理解的起点。

发芽 02：Our Agents, Ourselves——从“我们的身体”到“我们的判断”

种子

《Our Agents, Ourselves》这个标题几乎是在呼应《Our Bodies, Ourselves》。当 Every 说“AI 工具会像身体的一部分”、企业开始“克隆同事”时，真正的问题已经不再是工具性能，而是：我们愿意把多少自我交给代理？

故事

1970 年，Boston Women's Health Book Collective 首次印发《Our Bodies, Ourselves》，并于 1973 年出版商业版。这本书讨论月经、生育、医疗权力，试图通过女性分享经验，把被医学体系垄断的身体知识归还给使用者。

Every 把 bodies 换成了 agents：现在要被“拥有”的不是身体，而是我们的数字代理、编辑风格和职业判断。文章里“克隆同事”把重点从复制任务转向复制判断；KateBench 用 Kate Lee 的 30,000 次编辑训练一个“Kate 模型”；Monologue 的 Dot 让你随时知道它正在听。这些都是“外部化自我”的具体实践。

哲学家 Andy Clark 和 David Chalmers 在 1998 年提出“延展心智”：如果外部工具与人的认知过程可靠地耦合，它就能成为心智的一部分。但 Michael Polanyi 的“默会知识”提醒我们，我们知道的永远比能说出的多。克隆任务不难，克隆判断很勉强，克隆到“为什么这样做”尤其困难。

Aha 瞬间

当同事可以被克隆，真正不可复制的不是操作流程，而是我们愿意为之承担责任的判断。

发芽 03：基准不认识你的工作，你的组织认识吗？

种子

原材料中有一个让人不安的对比：企业花数百万美元采购 AI，却很少测试模型能否做好“自己的这份工作”。这不是效率问题，而是测量问题：你在用谁的基准定义“更好”？

故事

英国经济学家 Charles Goodhart 在 1970 年代中期总结出 Goodhart 定律：当一项指标成为追求目标，它就不再是好的指标。AI 产业遍地是“基准分数”，但 KateBench 的例子说明，高接受率下仍藏着人类必须返工的编辑；通用基准无法捕捉 Kate 的品味和上下文。

同一期里，400 名高管最关心的也不是哪个模型更强，而是战略、说服怀疑者、工具选择、治理和团队重组。这说明 AI 采纳的难点已经从“模型能力”转移到了“组织判断”。

Every 的回答是建立本地基准：用 Kate 本人的编辑训练评测器；甚至更小尺度地让六个 agent 判断“太阳能够不够开烘干机”。这些具体场景，比抽象分数更接近真相。

Aha 瞬间

别问模型在基准上得了多少分；问它做你的工作时，有多少次你愿意署上自己的名字。

你的思考空间

  • 如果“证明消化不良”是未来的常态，每个领域是否都需要自己的“消化者”？数学家的新技能是翻译机器证明，编辑的新技能是筛选 AI 初稿，你的岗位呢？
  • 当 AI 开始克隆同事的判断，哪些判断应当被复制，哪些应该留在人的责任边界内？“可复制的判断”和“不可让渡的责任”如何区分？
  • 你所在团队现在用哪类指标衡量 AI 的效果？如果把指标换成“我是否愿意为它的输出负责”，情况会怎样改变？
  • “AI 工具像身体的一部分”与“离线设备像大脑的健身房”这两种未来预言，分别以什么方式定义人的成长？
  • 如果我们真的收到外星超级智能送来的可靠答案，却在几十年内无法理解它，这是知识的进步，还是新的认知负债？陶哲轩用 15,000 行重写证明，是否也是某种“偿还”？